我正在努力将 tensorflow 2.0 dcGAN 教程 ( https://www.tensorflow.org/beta/tutorials/generation/dcgan ) 中的代码改编为音频信号的频谱图。我正在使用 libroasa chroma_cqt 将原始音频数据转换为 WxHx2 矩阵,并将其用作输入。当我尝试通过放大随机噪声来创建种子矩阵时,我得到的结果是随机噪声和 0 的时空交替带和顶部的细黑条(见图)。
我已经修改了原始教程代码以处理各种尺寸的图像,并为种子图像和最终输出提供了良好的结果,但是相同的原则并没有引导我使用 3 维数据。如何确保我正在制作具有适当覆盖率的种子,而不是在实际训练模型时继续问题?
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
tf.__version__
import numpy as np
import os
from tensorflow.keras import layers
import librosa
import librosa.display
import matplotlib.pyplot as plt
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
sr = 44100/2
sample_path = os.getcwd()
def make_generator_model():
model = tf.keras.Sequential()
model.add(layers.Dense(2*7*19*128, use_bias=False, dtype='float32', input_shape=(361,)))
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Reshape((2 ,7, 19, 128)))
assert model.output_shape == (None,2, 7, 19, 128) # Note: None is the batch size
model.add(layers.Conv3DTranspose(128, (2, 5, 5), strides=(1, 6, 1), padding='same', use_bias=False))
assert model.output_shape == (None, 2, 42, 19, 128)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv3DTranspose(128, (2, 5, 5), strides=(1, 3, 19), padding='same', use_bias=False))
assert model.output_shape == (None, 2, 126, 361, 128)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv3DTranspose(1, (2, 5, 5), strides=(1, 2, 1), padding='same', use_bias=False, activation='tanh'))
assert model.output_shape == (None, 2, 252, 361, 1)
return model
generator = make_generator_model()
noise = tf.random.normal([1, 361])
generated_audio = generator(noise, training=False)
D = []
for x in range(len(generated_audio[0][0])):
this_line = []
for y in range(len(generated_audio[0][0][x])):
this_line.append(np.complex(generated_audio[0][0][x][y],generated_audio[0][1][x][y]))
D.append(this_line)
D = np.asarray(D)
librosa.display.specshow(librosa.amplitude_to_db(np.abs(D), ref=np.max),
sr=sr, x_axis='time', y_axis='cqt_note')
plt.axis('off')
plt.savefig(sample_path + '\\image_at_epoch_fuzz.png')
plt.show()
print(D.shape)
我正在输出音频噪声的视觉表示,它应该看起来像一个完全模糊的图像。相反,我得到了交替的噪音和大的黑色垂直条和顶部的细黑条。
问题最终是我需要遵循哪些规则来匹配生成器种子、内核大小和步幅?有人可以提供一个示例,说明如何以编程方式确保给定层数的步幅和内核大小不匹配?